课程大纲

模块一：机器学习与深度学习基础

1. 机器学习概述

• 机器学习的定义与分类（监督学习、无监督学习、强化学习）

• 机器学习在企业中的应用场景

2. 深度学习基础

• 神经网络的基本结构（前馈神经网络、卷积神经网络、循环神经网络）

• 深度学习与传统机器学习的区别

• 大模型（如DeepSeek,       Qwen, Qwen-VL等）的基本原理与应用

3. 数学基础

• 线性代数、概率论与统计学在机器学习中的应用

• 梯度下降、反向传播等优化算法

模块二：机器学习模型训练流程

1. 数据准备

• 数据收集与清洗

• 数据标注与增强

• 数据标准化与归一化

2. 模型选择与训练

• 常用机器学习模型（线性回归、决策树、支持向量机等）

• 深度学习模型的选择与调参

• 模型训练中的过拟合与欠拟合问题

3. 模型评估与优化

• 交叉验证与模型评估指标（准确率、召回率、F1分数等）

• 超参数调优与模型优化

4. 模型部署与监控

• 模型部署的基本流程

• 模型监控与迭代更新

模块三：常用机器学习开源库与工具

1. Python机器学习库

• Scikit-learn：常用机器学习算法的实现

• TensorFlow与PyTorch：深度学习框架的使用

• Keras：快速构建深度学习模型

2. 数据分析工具

• Pandas：数据清洗与处理

• NumPy：数值计算

• Matplotlib与Seaborn：数据可视化

模块四：数据提取与可视化

1. 数据提取

• 从数据库、API、日志文件等不同来源提取数据

• 数据清洗与预处理

2. 数据可视化

• 使用Matplotlib、Seaborn、Plotly等工具进行数据可视化

• 可视化在企业决策中的应用

模块五：DeepSeek基础与核心能力

1. DeepSeek的核心优势

• R1 推理大模型

• DeepSeek多模态能力

• 高效数据处理与自动化分析

• 个性化模型适配与企业知识库集成

2. 工具快速上手

• 使用DeepSeek进行联网查询

• 使用DeepSeek-R1进行问题推理

• API接口申请与使用

• 蒸馏训练自己的DeepSeek-R1模型

模块六：机器学习在企业中的应用

1. 生成式AI与DeepSeek应用

• 自动化文本生成：如文案创作、代码辅助、文档生成

• 智能客服：自动回复客户咨询、多渠道客服支持

• 个性化推荐：基于用户行为的商品、内容推荐

2. VL图像大模型应用（基于Qwen-VL）

• 图像内容生成：结合DeepSeek生成图片

• 视觉内容分析：图像识别、视频分析等

3. 智能客服

• 场景描述：引入DeepSeek-R1，实现7×24小时自动化应答，支持多轮对话与情感智能分析，客服问题解决率提升40%，人力成本降低60%。

• 机器学习应用：通过机器学习算法对历史对话数据进行分析，实现自动问答和问题分类。

4. 个性化推荐

• 场景描述：电商平台使用DeepSeek根据用户购买历史推荐商品，提升用户购物体验。

• 机器学习应用：利用协同过滤和深度学习模型分析用户行为数据，实现个性化推荐。

5. 智能诊断

• 场景描述：ThyNet模型通过分析甲状腺结节超声图像，辅助医生进行诊断，准确率超过经验丰富的专家。

• 机器学习应用：使用卷积神经网络（CNN）对医学图像进行分析，实现疾病诊断。

6. 设备故障预测

• 场景描述：发电厂利用深度学习模型分析涡轮机的振动和温度数据，预测设备磨损情况，提前安排维护。

• 机器学习应用：通过时间序列分析和深度强化学习优化设备维护策略。

7. 多模态应用

• 场景描述：Qwen2.5-VL用于图像识别和文本生成，例如识别景点并生成描述文案。

• 机器学习应用：结合图像识别和自然语言处理技术，实现多模态内容生成。

8. 教育辅助

• 场景描述：手写公式智能识别、解题步骤自动生成、错题知识点精准归纳。

• 机器学习应用：利用深度学习模型识别手写内容，并结合知识图谱推荐个性化学习路径。

9. 工业质检

• 场景描述：汽车制造企业使用YOLO进行图像识别和缺陷检测

• 机器学习应用：通过YOLO网络实现图像中的缺陷检测。